Partial least squares prediction in high-dimensional regression
高维回归中的偏最小二乘预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般高维回归预测，未指定宏观预测或金融收益对象，不能因出现预测就归入对应应用细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维回归中的偏最小二乘预测
- 研究问题
- 当样本量与预测变量数按不同关系增长时，偏最小二乘预测以何种速度收敛，信息分散程度为何影响其表现？
- 方法与思路
- 作者分析不同样本量与维度增长配置下的偏最小二乘预测渐近行为，并区分许多变量贡献信息与少数变量贡献的情形。
- 材料陈述的贡献
- 摘要称某些变量数远大于样本量的情形仍可达到根号样本量收敛速度，且信息广泛分布的回归比稀疏回归更有利。
- 阅读关注点
- 应核对预测对象、维度与样本量的增长条件、偏最小二乘分量数，以及信息丰富和稀疏情形的具体定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；收敛条件及实际预测误差未提供，不能据此认定该方法普遍适合高维预测。
原文摘要
We study the asymptotic behavior of predictions from partial least squares (PLS) regression as the sample size and number of predictors diverge in various alignments. We show that there is a range of regression scenarios where PLS predictions have the usual root-$n$ convergence rate, even when the sample size is substantially smaller than the number of predictors, and an even wider range where the rate is slower but may still produce practically useful results. We show also that PLS predictions achieve their best asymptotic behavior in abundant regressions where many predictors contribute information about the response. Their asymptotic behavior tends to be undesirable in sparse regressions where few predictors contribute information about the response.